jganzabalseenka/news_2024-06-12_24hs

该数据集包含多个字段，涉及资产ID、标题、媒体、影响、时间戳、实体、关键词等信息。数据集主要用于处理和分析与新闻或文章相关的内容，可能用于自然语言处理任务，如实体识别、关键词提取、文本分类等。数据集包含一个训练集，大小为140652088字节，包含12206个样本。

This dataset contains multiple fields, including asset ID, title, media, impact, timestamps, entities, keywords, and more. The dataset is primarily used for processing and analyzing content related to news or articles, potentially for natural language processing tasks such as entity recognition, keyword extraction, and text classification. The dataset includes a training set with a size of 140652088 bytes and contains 12206 samples.

原始信息汇总

数据集概述

数据集信息

特征

• asset_id: 数据类型为 int64
• title_ch: 数据类型为 string
• media: 数据类型为 string
• impact: 数据类型为 int64
• start_time_utc: 数据类型为 timestamp[ns]
• start_time_local: 数据类型为 timestamp[ns]
• entities_curated: 数据类型为 sequence，内容为 string
• entities: 数据类型为 sequence，内容为 string
• predicted_at_entities: 数据类型为 timestamp[ns]
• entities_raw_transformers: 数据类型为 list，包含以下子特征：
  • entities: 数据类型为 list，包含以下子特征：
    • end: 数据类型为 int64
    • entity_group: 数据类型为 string
    • score: 数据类型为 float64
    • start: 数据类型为 int64
    • word: 数据类型为 string
  • text: 数据类型为 string
• entities_transformers: 数据类型为 sequence，内容为 string
• title: 数据类型为 string
• text: 数据类型为 string
• keywords: 数据类型为 sequence，内容为 string
• predicted_at_keywords: 数据类型为 timestamp[ns]
• truncated_text: 数据类型为 string
• title_and_text: 数据类型为 string
• prediction_delay_predictions: 数据类型为 float64
• prediction_delay: 数据类型为 float64

数据分割

• train: 包含 12206 个样本，占用 140652088 字节

数据集大小

• 下载大小: 74992249 字节
• 数据集大小: 140652088 字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*